北大与字节跳动如何通过120参数实现LNSNet超像素分割模型，运算速度提升四倍？

本文共计583个文字，预计阅读时间需要3分钟。

计算机视觉研究院专家：Edison_G利用持续学习中梯度和释放控制的方法，北大、北邮、字节跳动提出的新方法，相较于经典算法在参数量降低近20%的同时，运算速度提升了4倍。

计算机视觉研究院专栏

作者：Edison_G

利用持续学习中梯度缩放控制的方法，北大、北邮、字节跳动提出的新方法相比经典算法在参数量降低近 20 倍的同时，运算速度提升了 4 倍。

一、简介

二、训练框架设计

三、模型结构及损失函数设计

四、实验

​

计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

​

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

论文源码获取｜回复“GRM”获取论文及源代码